**位址如下：
記得把這幾點描述好咯：**實現過程 + 專案檔案結構截圖 + 演示效果先將資料集手動劃分成訓練集和測試集，並分好類，比如第一類就放在資料夾名為
0的資料夾下，第二類就是1，如此類推。
當前程式只能處理10類以下車標，因為當前程式邏輯不支援10以上的數字識別（具體可以仔細看下**）所有訓練集的放在
train資料夾中，測試集放在test資料夾下。最終的檔案樹如下：
在recarlog是工程名，即cardata和main.cpp同目錄。測試集的類別數字和訓練集的要一一對應。因為程式將要用它們作為分類依據。
main.cpp目錄下準備兩個檔案，trainpath.txt和testpath.txt，用以儲存所有訓練集和測試集的路徑。程式需要這兩個檔案來讀取訓練集和測試集的。舉例如下(trainpath.txt)
建議使用相對路徑。
這樣，當我們讀取一張的時候，可以利用的路徑名稱，通過split呼叫確定該車標的類別（使用切分字元'/'，第4個值即類別（0，1，2，3，4...））
**很簡單，就乙個main.cpp檔案。大致分為以下3塊
全域性函式：模組劃分，使得main函式不顯得臃腫。
自定義網路類：myneraulnetwork用於搭建簡單bp網路和訓練**
分3步：
訓練集裝載
定義網路+訓練網路
測試網路
全域性變數設定：
#define n_sample 1000
#define f_num 1764
#define classnum 5
float data[n_sample][f_num]; // 資料存放
float label[n_sample][classnum] // 標籤存放
n_sample,第二維是每個樣本的特徵向量是，寬度為f_num），第二個矩陣是標籤矩陣，對應每個樣本，都有乙個類別標籤，如果是第一類，則它的標籤向量為1,0,0,0,0(本例是5維)。
這裡主要提一下資料矩陣的第二維是怎麼確定的。
每個樣本的特徵向量即每張的hog特徵。hog特徵是乙個一維向量。hog特徵維度確定
對於一張，使用乙個滑動視窗以一定的步進滑動，分別獲取每個視窗的特徵值，是一般的人工影象特徵提取方式。簡單說下hog特徵的提取。
假設一張的維度是img_size=64x64，我們使用的滑動視窗大小為block_size=16x16,滑動步進stride=8x8，那麼對乙個這樣的影象，能得到(64-8)/8 x (64-8)/8=7x7=49個視窗，對於每個視窗block，hog特徵細分為胞元cell_size=8x8。於是乙個block就有2x2=4個胞元，每個胞元預設有9個特徵值，所以在上述引數的情況下，hog特徵的維度為49x4x9=1764，這也是本工程的預設引數。
opencv自帶hog特徵提取，裝載過程img_size、block_size、stride和cell_size都需要自行設定，因此需要事先計算好特徵維度，才能確定資料矩陣第二維的寬度。
read trainpath.txt; // 讀取路徑檔案
for each trainimg in trainpath.txt :
gethog(trainimg) // 獲取hog特徵
getlabel according to its path
put its hog into data
put its label into label
定義和使用**裡說的很清楚了，這裡再提下兩個建構函式：
帶引數的建構函式使用網路引數檔名作為引數。可以直接使用訓練好的網路引數檔案直接初始化網路，而不需要initialnn。
讀取測試檔案，輸入網路，獲得輸出。
輸入為每次乙個，所以輸入的二維矩陣為test[1][f_num]。mynerualnetwork().predict(img)獲得乙個**值，可以跟實際值(分析檔案路徑名獲得)做對比，得到分類正確率。
**位址如下：
基於BP神經網路的分類
使用的是乙個簡單的資料集fisheriris，該資料集資料類別分為3類，setosa，versicolor，virginica。每類植物有50個樣本，共150個樣本代表150朵花瓣。每個樣本有4個屬性，分別為花萼長，花萼寬，花瓣長，花瓣寬。其中meas是150 4的矩陣代表著有150個樣本每個樣本有...
BP神經網路（基於MATLAB）
clc clear all 匯入資料 load s data.mat s含量所用資料 n 12 n 是自變數的個數 m 1 m 是因變數的個數 讀取訓練資料 train num 1600 訓練樣本數 train data s data 1 train num,特徵值歸一化 train input,m...
opencv中使用bp神經網路
2.神經網路的訓練 intcvann mlp train constmat inputs,constmat outputs,constmat sampleweights,constmat sampleidx mat cvann mlp trainparams params cvann mlp tra...